Passionné par l’innovation, je me spécialise en Intelligence Artificielle (IA), en traitement d’images et en analyse de données biomédicales. Autonome, curieuse et enthousiaste, mes expériences m'ont permis de consolider mes compétences techniques et de maîtriser les outils et méthodes de l’IA appliqués au domaine de la santé.
Mon expertise s’étend de la conception de modèles de classification en Machine Learning(ML) et Deep Learning (DL: CNN, ResNet50, Transformers) au traitement d’images biomédicales, jusqu’à la gestion de projets.
Motivé par les défis, je souhaite rejoindre une organisation innovante à laquelle je pourrais apporter mon dynamisme, mon expertise et mon esprit d’initiative.
Développer des modèles d’intelligence artificielle pour le diagnostic automatisé des pathologies hépatiques, à partir de données issues de l’imagerie IRM multiparamétrique et de lames histologiques numériques, afin d'améliorer la classification des tumeurs et adénomes du foie :
Histopathologie spectrale du cancer du colique : Développement d’outils chimiométriques pour le traitement automatisé des images tissulaires en spectroscopie infra-rouge.
Principales réalisations :
Principales missions :
Développement d’outils radiomiques spécifiques pour le traitement d’images IRM morphologiques et fonctionnelles afin de quantifier et évaluer les données pour la prédiction de récidive biochimique du cancer de la prostate après radiothérapie.
Missions et réalisations :
Analyse d'images d'endo-microscopie confocale pour la gradation des lésions tumorales au contexte préclinique :
Missions et réalisations :
1. développement d'un outil d'analyse d'image automatique pour classer les images interprétables de ceux non interprétables.
2. Mise en place d’un outil de diagnostic automatique de l'état pathologique des tissus, en utilisant une approche par graphe pour classifier l’inflammation, du carcinome, ou du tissu sain :
Présentation dé résultats àOptDiag 2016 sous forme de poster.
Langages de programmation : Python, Matlab, R, Scilab, Labview
Frameworks et bibliothèques d'IA : PyTorch, Scikit-learn
Bibliothèques de traitement de données/images : Pandas, NumPy, h5py, nibabel, OpenSlide, Pradiomique
Environnements de développement : Visual Studio, shell Unix, Jupyter Notebook
Gestion de versions : Github
Infrastructure: Google cloud et MLOps
Systèmes d'exploitation : Windows et Linux (Ubuntu)
Sens de l'initiative, rigueur, force de proposition, autonomie
Boutegrabet, W., Piot, O., Guenot, D., & Gobinet, C. (2022). Analytical Chemistry, 94(46), 16050-
16059. (https://doi.org/10.1021/acs.analchem.2c03118).
Boutegrabet, W., Guenot, D., Bouché, O., Boulagnon-Rombi, C., Marchal, A., Piot, O., & Gobinet, C.
(2021). Analytical Chemistry, 93(8), 3750-3761. (https://doi.org/10.1021/acs.analchem.0c03910).
Bujoreanu, D., Dorez, H., Boutegrabet, W., Moussata, D., Sablong, R., & Rousseau, D. (2017). Pattern
Recognition Letters, 87, 29-37.
Formation interdisciplinaire sur les applications de l'IA et des méthodesde production et d'analyse de données en soutien aux sciences du médicament.
• Novembre 2022 - Mai 2023 : Formation en ligne avec le CNRS, l'Institut
d'Intelligence Artificielle MIAI de Grenoble et l'Université Grenoble Alpes
(UGA) : FIDILE (Introduction au Deep Learning).
du Deep Learning, Classification, Machine Learning, etc.
• Août 2019 : Data Acquisition Using NI-DAQmx and LabVIEW - National
Instruments. Identifiant : NIEOPS-1204781
• Août 2019 : National Instruments LabVIEW Core 1 - National
Instruments. Identifiant : NIEOPS-1068263